Theano Theano是早期的深度学习框架,用 Python编写,其应用级别较低,深度学 习领域的许多学术研究者较多地使用它。 Theano可与其他学习库配合使用 ,非常适合数据探索和研究活动。其在大型模型上的编译时间较长,启动 时间较长,只支持单个GPU,实际项目应用中局限性较多 现在像 Keras这样比较流行的开源深度学习库,都是在 Theano ap的基础上 进行开发的,目前对 Theano感兴趣的开发者越来越少,与之相关的库有的 已经停止更新了,所以目前并不适合应用开发人员使用
议程Theano • Theano是早期的深度学习框架，用 Python编写，其应用级别较低，深度学 习领域的许多学术研究者较多地使用它。 Theano可与其他学习库配合使用 ，非常适合数据探索和研究活动。其在大型模型上的编译时间较长，启动 时间较长，只支持单个GPU，实际项目应用中局限性较多 • 现在像 Keras这样比较流行的开源深度学习库，都是在 Theano API的基础上 进行开发的，目前对 Theano感兴趣的开发者越来越少，与之相关的库有的 已经停止更新了，所以目前并不适合应用开发人员使用
Caffe Cafe是较早的一个应用较广的工业级深度学习工具,将 Matlab实现的快速 卷积网络移植到了C和C++平台上。它不适用于文本、声音或时间序列数据 等其他类型的深度学习应用,在RNN方面建模能力较差。 Caffe选择了 Python作为其AP,但是模型定义需要使用 protobuf实现,如果要支持GPU运 算,需要自己用C+/CUDA来实现,用于像 GoogleNet或 Resnet这样的大型网 络时比较烦琐。 Caffe代码更新趋慢,可能未来会停止更新
议程Caffe • Caffe是较早的一个应用较广的工业级深度学习工具，将 Matlab实现的快速 卷积网络移植到了C和C++平台上。它不适用于文本、声音或时间序列数据 等其他类型的深度学习应用，在RNN方面建模能力较差。Caffe选择了 Python作为其API，但是模型定义需要使用 protobuf实现，如果要支持GPU运 算，需要自己用C++/CUDA来实现，用于像GoogleNet或 ResNet这样的大型网 络时比较烦琐。 Caffe代码更新趋慢，可能未来会停止更新
Keras Keras是由谷歌软件工程师 Francois chollet开发的,是一个基于 Theano和 Tensor|ow的深度学习库,具有较直观的APl。这可能是目前最好的 Python APl,未来可能会成为 Tensorflow默认的 Python AP,其更新速度较快,相应 的资源也较多,受到广大开发者追捧
议程Keras • Keras是由谷歌软件工程师 Francois Chollet开发的，是一个基于Theano和 TensorFlow的深度学习库，具有较直观的API。这可能是目前最好的Python API，未来可能会成为Tensorflow默认的 Python API，其更新速度较快，相应 的资源也较多，受到广大开发者追捧
MXNet MXNet是一个提供多种AP的机器学习框架,主要面向R、 Python和Juia等语 言,由华盛顿大学的 Pedro domingos及其研究团队管理维护,具有详尽的 文档,容易被初学者理解和掌握。它是一个快速灵活的深度学习库,目前 已被亚马逊云服务采用
议程MxNet • MxNet是一个提供多种API的机器学习框架，主要面向R、 Python和 Julia等语 言，由华盛顿大学的 Pedro Domingos及其研究团队管理维护，具有详尽的 文档，容易被初学者理解和掌握。它是一个快速灵活的深度学习库，目前 已被亚马逊云服务采用
Deeplearning4i Deeplearning4是用Java编写的,所以可用性较好,对开发人员来说,学习 曲线较低,在的Java系统中集成使用更加便利。通过 Hadoop、 Spark、Hive 、 Lucene等这类的开源系统来扩展可实现无缝集成,具有良好的生态环境 支持。 Deeplearning4j中提供了强大的科学计算库ND4J,可以分布式运行于 cpU或GPU上,并可通过Java或 Scala进行AP对接。 Deeplenrning4 j Caffe类似 也可以快速应用CNN、RNN等模型进行图像分类,支持任意芯片数的GPU 并行运行,并且提供在多个并行GPU集群上运行 ·DL4提供了实时的可视化界面,可以在模型训练过程中查看网络状态和进展 情况当然,使用实时査看功能时将影响模型训练的性能
议程Deeplearning4j • Deeplearning4j是用Java编写的，所以可用性较好，对开发人员来说，学习 曲线较低，在的Java系统中集成使用更加便利。通过Hadoop、Spark、Hive 、 Lucene等这类的开源系统来扩展可实现无缝集成，具有良好的生态环境 支持。 Deeplearning4j中提供了强大的科学计算库ND4J，可以分布式运行于 CPU或GPU上，并可通过Java或 Scala进行API对接。Deeplenrning4j Caffe类似 ，也可以快速应用CNN、RNN等模型进行图像分类，支持任意芯片数的GPU 并行运行，并且提供在多个并行GPU集群上运行 • DL4J提供了实时的可视化界面，可以在模型训练过程中查看网络状态和进展 情况当然，使用实时查看功能时将影响模型训练的性能